Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
高校講座 | 第2回 内容ベース推薦システム
Search
RecSysLab
PRO
August 06, 2022
Technology
0
440
高校講座 | 第2回 内容ベース推薦システム
下記教科書を基にした高校生向けの推薦システム講座の講義スライドです。
奥 健太:基礎から学ぶ推薦システム - 情報技術で嗜好を予測する -, コロナ社 (2022)
RecSysLab
PRO
August 06, 2022
Tweet
Share
More Decks by RecSysLab
See All by RecSysLab
データベース|SQL
recsyslab
PRO
0
85
龍谷ICT教育|プログラミング演習科目における自動採点ツールを用いた自由進度学習
recsyslab
PRO
0
140
[RecSys2023論文読み会]Interface Design to Mitigate Inflation in Recommender Systems
recsyslab
PRO
0
140
[RecSys2022論文読み会]Bundle MCR: Towards Conversational Bundle Recommendation
recsyslab
PRO
0
410
高校講座 | 第1回 推薦システムとは
recsyslab
PRO
0
490
高校講座 | 第3回 協調ベース推薦システム
recsyslab
PRO
0
430
内容ベース推薦システム | 第2回 推薦システム概論
recsyslab
PRO
0
680
協調ベース推薦システム | 第3回 推薦システム概論
recsyslab
PRO
0
660
知識ベース推薦システム | 第4回 推薦システム概論
recsyslab
PRO
0
590
Other Decks in Technology
See All in Technology
ElixirがHW化され、最新CPU/GPU/NWを過去のものとする数万倍、高速+超省電力化されたWeb/動画配信/AIが動く日
piacerex
0
110
2025年春に見直したい、リソース最適化の基本
sogaoh
PRO
0
460
SDカードフォレンジック
su3158
0
170
「それはhowなんよ〜」のガイドライン #orestudy
77web
9
2.4k
【日本Zabbixユーザー会】LLDを理解するときの勘所 〜LLDのある世界を楽しもう!〜
yoshitake945
0
120
Стильный код: натуральный поиск редких атрибутов по картинке. Юлия Антохина, Data Scientist, Lamoda Tech
lamodatech
0
320
Langchain4j y Ollama - Integrando LLMs con programas Java @ Commit Conf 2025
deors
1
130
Webアプリを Lambdaで動かすまでに考えること / How to implement monolithic Lambda Web Application
_kensh
7
1.2k
20250413_湘南kaggler会_音声認識で使うのってメルス・・・なんだっけ?
sugupoko
1
390
ウォンテッドリーにおける Platform Engineering
bgpat
0
190
AWSLambdaMCPServerを使ってツールとMCPサーバを分離する
tkikuchi
1
2.5k
いつも初心者向けの記事に助けられているので得意分野では初心者向けの記事を書きます
toru_kubota
2
270
Featured
See All Featured
Stop Working from a Prison Cell
hatefulcrawdad
268
20k
Designing for Performance
lara
607
69k
Rails Girls Zürich Keynote
gr2m
94
13k
Let's Do A Bunch of Simple Stuff to Make Websites Faster
chriscoyier
507
140k
Keith and Marios Guide to Fast Websites
keithpitt
411
22k
GitHub's CSS Performance
jonrohan
1030
460k
Learning to Love Humans: Emotional Interface Design
aarron
273
40k
Design and Strategy: How to Deal with People Who Don’t "Get" Design
morganepeng
129
19k
jQuery: Nuts, Bolts and Bling
dougneiner
63
7.7k
Documentation Writing (for coders)
carmenintech
69
4.7k
YesSQL, Process and Tooling at Scale
rocio
172
14k
How STYLIGHT went responsive
nonsquared
99
5.5k
Transcript
推薦システムの仕組み ~この商品を買った人は、こんな商品も買っています~ 高校講座 | 第2回 内容ベース推薦システム 奥 健太
シナリオ Aliceはとあるカレー屋を訪れました。このカレー屋では、辛さと甘さの異なる8種類のカレーを提供して います。Aliceは、これまでに5種類のカレーを試してきました。そのうち、下表のように3種類のカレーを 「好き」、2種類のカレーを「嫌い」と評価してきました。評価値が「?」となっているカレーについて は、Aliceはまだ試していません。Aliceにはどのカレーを推薦するのが良いでしょうか? アイテムID アイテム名 辛さ 甘さ 評価値
1 5辛3甘 5 3 好き 2 4辛4甘 4 4 好き 3 3辛3甘 3 3 好き 4 2辛8甘 2 8 嫌い 5 4辛9甘 4 9 嫌い 6 3辛4甘 3 4 ? 7 1辛7甘 1 7 ? 8 8辛6甘 8 6 ? Aliceの評価履歴 2
ユーザ、アイテム、評価履歴 ユーザ: 推薦システムの利用者 アイテム:推薦システムにおいて扱う商品やコンテンツなど 評価値: ユーザのアイテムに対する好き嫌い 評価履歴: ユーザがこれまで利用してきた アイテムに対して与えた評価値の履歴 アイテムID
アイテム名 辛さ 甘さ 評価値 1 5辛3甘 5 3 好き 2 4辛4甘 4 4 好き 3 3辛3甘 3 3 好き 4 2辛8甘 2 8 嫌い 5 4辛9甘 4 9 嫌い 6 3辛4甘 3 4 ? 7 1辛7甘 1 7 ? 8 8辛6甘 8 6 ? Aliceの評価履歴 3
類似度に基づく推薦 4
アイテムを座標平面上に表してみよう アイテムID アイテム名 辛さ 甘さ 評価値 1 5辛3甘 5 3
好き 2 4辛4甘 4 4 好き 3 3辛3甘 3 3 好き 4 2辛8甘 2 8 嫌い 5 4辛9甘 4 9 嫌い 6 3辛4甘 3 4 ? 7 1辛7甘 1 7 ? 8 8辛6甘 8 6 ? 10 5 0 10 5 甘 さ 辛さ 1 2 3 4 5 6 7 8 5
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 アイテムをベクトルで表すと便利 8辛6甘カレー 辛さ 甘さ *数学B -> 数学C:ベクトル ベクトル*: 数を縦または横に並べたもの 6
10 5 0 10 5 甘 さ 辛さ 1 2
3 Aliceの好みの辛さ、甘さは? 好みのアイテムのベクトルの平均 ユーザプロファイル ユーザの嗜好を表したもの 7
10 5 0 10 5 甘 さ 辛さ 6 7
8 問題 | Aliceはどれが好き? 8
10 5 0 10 5 甘 さ 辛さ 6 7
8 ベクトルのなす角を考えよう コサイン類似度 ベクトルのなす角* *数学II:三角関数、*数学B -> 数学C:ベクトル 9
10 5 0 10 5 甘 さ 辛さ 6 7
8 演習 | 他のコサイン類似度も計算してみよう 10
コサイン類似度が高いとどうなの? コサイン類似度が1に近いほど、二つのベクトルが同じ方向を向いている 類似している 11
10 5 0 10 5 甘 さ 辛さ 6 7
8 順位 アイテムID アイテム名 辛さ 甘さ 類似度 1位 8 8辛6甘 8 6 2位 6 3辛4甘 3 4 3位 7 1辛7甘 1 7 コサイン類似度でランキング Aliceには 8辛6甘カレーがおすすめ 12
k 近傍法 13
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 近傍のアイテムから好き嫌いを予測してみよう このあたりは好き? このあたりは嫌い? 14
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 近傍のアイテムはどれ? 15
10 5 0 10 5 甘 さ 辛さ 3 7
距離を考えよう 2点間の距離* *数学II:図形と方程式 16
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 演習 | 他の距離も計算してみよう 17
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 近傍 k 個のアイテムを見つけよう(k = 3) アイテムID アイテム名 辛さ 甘さ 距離 4 2辛8甘 2 8 5 4辛9甘 4 9 2 4辛4甘 4 4 3 3辛3甘 3 3 1 5辛3甘 5 3 18
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 近傍 k 個のアイテムで多数決 好き × 1 vs. 嫌い × 2 Aliceは1辛7甘カレーが嫌い 19
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 演習 | 他のアイテムの好き嫌いも予測してみよう 好き × 嫌い × 3辛4甘カレー 好き × 嫌い × 8辛6甘カレー 20
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 k 近傍法でランキング Aliceには 3辛4甘カレーがおすすめ 順位 アイテムID アイテム名 辛さ 甘さ 好き 嫌い 1位 6 3辛4甘 3 4 3 0 2位 8 8辛6甘 8 6 2 1 21